如何讓你的數(shù)據(jù)直覺更敏銳
大數(shù)據(jù)文摘出品
編輯：李馨瑜、Yanruo
AlphaGo打敗李世乭、南京大學設(shè)立人工智能學院、百度無人車批量生產(chǎn)....
每當人工智能和機器學習取得一些進展時，這些進展一定占據(jù)著各大媒體的頭版頭條。
媒體對其有如此高的關(guān)注度，這意味著，現(xiàn)在科技界主流的興趣領(lǐng)域是數(shù)據(jù)科學。
對于有大局意識的人來說，這無疑是一個很好的創(chuàng)業(yè)機會和職業(yè)選擇。要想抓住職業(yè)機會，你需要超強的“碼力”和深入的專業(yè)知識。
然而，每個想在數(shù)據(jù)領(lǐng)域有所成就的數(shù)據(jù)科學家應該非常熟悉，在吸睛的神經(jīng)網(wǎng)絡(luò)和分布式計算名詞背后是一些基本的統(tǒng)計實踐。
你可以為特定的項目去學習***的代碼框架或者閱讀該領(lǐng)域***成果的科研論文。但是，沒有捷徑可以獲得數(shù)據(jù)科學家所需的基礎(chǔ)統(tǒng)計知識。
所以，只有不停地耐心練習，再加上一些學習過程中的挫折，才能真正提高你的“數(shù)據(jù)直覺”。
簡約原則
簡約原則在介紹性的統(tǒng)計課程中反復強調(diào)，但英國統(tǒng)計學家喬治·博克斯今天說的話可能比之前更有意義：
| “所有模型都錯了，但有些模型很有用” |
這句話想說明什么?
它的意思是說：在尋求對現(xiàn)實世界進行系統(tǒng)建模時，必須以犧牲易理解性為代價來簡化和概括。
現(xiàn)實世界紛亂嘈雜，我們無法理解每一個細節(jié)。因此，統(tǒng)計建模并不是為了獲得***的預測能力，而是用最小的必要的模型來實現(xiàn)***的預測能力。
對于那些剛接觸數(shù)據(jù)世界的人來說，這個概念看起來可能違反直覺。但為什么不在模型中包含盡可能多的條件項呢?多余的條件項僅僅只能為模型增加說服力嗎?
嗯，是的......不可以。你只需關(guān)心那些會顯著增加模型解釋力的條件項。
考慮將給定的數(shù)據(jù)集擬合不同類型的模型。
最基本的是null模型，它只有一個參數(shù)—響應變量的總體平均值(加上一些隨機分布的錯誤)。
該模型假定響應變量不依賴于任何解釋變量。相反，它的值完全由關(guān)于整體均值的隨機波動來解釋。這顯然限制了模型的解釋力。
在完全相反的飽和模型中，每個數(shù)據(jù)點都有一個參數(shù)。這樣，你會有一個***的模型，但是如果你試圖將新的數(shù)據(jù)用于模型，它沒有任何解釋力。
每個數(shù)據(jù)點包括一個特征的同時也忽略了任何有意義的簡化方式。實際上用處并不大。
如上圖左邊是一個空模型，右邊是一個飽和模型。兩種模型都不會提供有力的說服力。
顯然，這些是極端的情況。你應該在兩者之間尋找一個模型—一個能很好地擬合數(shù)據(jù)并具有良好解釋力的模型。 您可以嘗試擬合***模型。 該模型包括所考慮的所有因素和制約條件。
例如，假設(shè)您有一個響應變量y，您希望將其作為解釋變量x 1和x 2的函數(shù)進行建模，乘以系數(shù)β。 ***模型看起來像這樣：
y = intercept + β₁x₁ + β₂x₂ + β₃(x₁x₂) + error
這個***模型可以很好地擬合數(shù)據(jù)，并提供良好的解釋力。它包括每個解釋變量項和一個交互項x₁x₂。
從模型中刪除條件項將增加整體剩余偏差，或者觀察到的預測模型未能將自身的變化考慮進來。
但是，并非所有條件項都一樣重要。 您可以刪除一個(或多個)條件項，但并不會發(fā)現(xiàn)統(tǒng)計結(jié)果上的顯著偏差。
這些條件項可以被認為是無關(guān)緊要的，并從模型中刪除。 您可以逐個刪除無關(guān)緊要的項(記住重新計算每一步的剩余偏差)。 重復此操作，直到所有項保持良好的統(tǒng)計性。
現(xiàn)在你已經(jīng)達到了最小的合適模型。每一項的系數(shù)β的估計值明顯不同于0。得出此模型的逐步消除方法稱為“逐步”回歸。
支持這種簡化模型的哲學原理被稱為簡約原則。
它與中世紀哲學家威廉的奧卡姆著名的啟發(fā)式奧卡姆的剃刀有一些相似之處。 這個原則是這樣的：“給出兩個或多個同樣可接受的現(xiàn)象解釋，選擇引入假設(shè)最少的那一個。”
換句話說：你能以最簡單的方式解釋一些復雜的東西嗎? 可以說，這是數(shù)據(jù)科學的決定性追求 - 有效地將復雜性轉(zhuǎn)化為可見性。
永遠持懷疑態(tài)度
假設(shè)檢驗(如A / B檢驗)是一個重要的數(shù)據(jù)科學概念。
簡單地說，假設(shè)檢驗將問題轉(zhuǎn)化為兩個相互排斥的假設(shè)，并且在哪個假設(shè)下詢問檢驗統(tǒng)計量的觀察值是最可能的。當然，檢驗統(tǒng)計量是從一組適當?shù)膶嶒灮蛴^察數(shù)據(jù)中計算出來的。
當涉及到假設(shè)檢驗時，通常會詢問你是接受還是拒絕零假設(shè)。
通常，你會聽到人們將零假設(shè)描述為令人失望的東西，甚至是實驗失敗的證據(jù)。
也許它源于如何向初學者普及假設(shè)檢驗，但似乎許多研究人員和數(shù)據(jù)科學家對零假設(shè)有潛意識偏見。他們試圖拒絕它，支持所謂更令人興奮，更有趣，另類的假設(shè)。
這不僅僅是一個奇聞樂事。目前已經(jīng)有人撰寫了完整的論文去研究科學文獻中公開的學術(shù)偏見問題。人們僅僅想知道一點：這種傾向在商業(yè)環(huán)境下有什么影響。
然而事實是：對于任何設(shè)計合理的實驗或完整的數(shù)據(jù)集，接受零假設(shè)應該與接受替代方案一樣有趣。
實際上，零假設(shè)是推論統(tǒng)計的基石。它定義了我們作為數(shù)據(jù)科學家所做的工作，即將數(shù)據(jù)轉(zhuǎn)化為洞察力。如果我們沒有過多地地干涉統(tǒng)計結(jié)果的可能性，那么洞察力是沒有價值的，正是由于這個原因，在任何時候都持懷疑態(tài)度是值得的。
特別是考慮到“意外地”拒絕零假設(shè)(至少在天真地應用頻率論方法時)是多么容易時，懷疑態(tài)度更是不可缺少。
數(shù)據(jù)挖掘(或“p-hacking”)可以拋出各種無意義的結(jié)果，但這些結(jié)果有著非常重要的統(tǒng)計學意義。在無法避免多次比較的情況下，有必要采取措施減少I型錯誤(誤報，或者說“看不到真正存在的效果”)。
- 首先，在統(tǒng)計測試方面，選擇一個本質(zhì)上謹慎的測試。檢查是否正確滿足了測試對數(shù)據(jù)的假設(shè)。
- 研究校正方法也很重要，例如Bonferroni校正。 然而，這些方法有時因過于謹慎而受到批評。 它們可能產(chǎn)生太多的II型錯誤(假陰性，或者說“忽略實際存在的效應”)從而降低統(tǒng)計的效果。
- 查找結(jié)果的“null”解釋。 您的數(shù)據(jù)采集程序是否滿足假設(shè)條件? 你能排除任何系統(tǒng)錯誤嗎? 幸存者偏差，自相關(guān)或趨中心回歸會有什么影響嗎?
- ***，您發(fā)現(xiàn)的任何潛在關(guān)系有多可信? 無論正確率多低，都不要拿看起來好看的數(shù)據(jù)來糊弄。
懷疑主義是有益的，一般來說，始終注意對數(shù)據(jù)的空解釋是一種好習慣。
但要避免偏執(zhí)! 如果您已經(jīng)很好地設(shè)計了實驗，并謹慎地分析了您的數(shù)據(jù)，那么請將你的發(fā)現(xiàn)視為是真實的!
了解你的方法
最近技術(shù)和理論的進步為數(shù)據(jù)科學家提供了一系列強大的新工具，用于解決十年前甚至是兩年前還無法解決的復雜問題。
機器學習的這些進步有理由讓人萬分激動。但是，當將其應用于特定問題時可能存在的限制很容易被忽略。
例如，神經(jīng)網(wǎng)絡(luò)在圖像分類和手寫識別方面可能非常出色，但它絕不是解決所有問題的***解決方案。首先，神經(jīng)網(wǎng)絡(luò)很容易過擬合—即對訓練數(shù)據(jù)過度擬合，無法推廣到新數(shù)據(jù)中。
如神經(jīng)網(wǎng)絡(luò)的不透明性。神經(jīng)網(wǎng)絡(luò)的預測能力通常以犧牲模型透明度為代價。由于特征選擇的內(nèi)化，即使網(wǎng)絡(luò)進行了準確預測，你也不一定理解它是如何得出答案的。
在許多業(yè)務(wù)和商業(yè)應用中，理解“為什么和怎么做”通常是分析項目最重要的。為了預測準確性而放棄可理解性或許是值得做出的權(quán)衡。
同樣，依靠復雜機器學習算法的準確性很吸引人，但它們絕不是***可靠的。
例如， 令人深刻的Google Cloud Vision API 也很容易被圖像中的少量噪音欺騙。相反地，另一篇有趣的論文展示了深度神經(jīng)網(wǎng)絡(luò)如何“看到”那些根本不存在的圖像。
這不僅僅是需要謹慎使用的前沿機器學習方法。
即使采用更傳統(tǒng)的建模方法，也需要注意滿足關(guān)鍵假設(shè)。每次都注意使用到訓練數(shù)據(jù)以為的數(shù)據(jù)時，如不懷疑也至少要謹慎使用。每次得到的結(jié)論都需要檢驗方法是否合理。
這并不是說根本不相信任何方法—只是要知道在任何時候為什么使用這種方法而不是另一種方法，以及其相對利弊。
一般地，如果你不能想出至少一個正考慮使用方法的缺點，那么在進行下一步之前深入研究它。始終使用最簡單的工具來完成工作。
了解何時適合使用給定方法是否適合數(shù)據(jù)科學是一項關(guān)鍵技能。 這是一種隨著經(jīng)驗和對方法的真正理解而提高的技能。
溝通
溝通是數(shù)據(jù)科學的精華。不同于學校的科目，你的目標受眾將是你研究領(lǐng)域中受過專業(yè)訓練的專家，商業(yè)數(shù)據(jù)科學家的觀眾可能會成為其他領(lǐng)域的專家。
如果溝通不暢，即使是世界上***的洞察力也沒什么價值。許多來自學術(shù)/研究領(lǐng)域有抱負的數(shù)據(jù)科學家會與技術(shù)專業(yè)的受眾進行溝通。
然而，在商業(yè)環(huán)境中，不能過分強調(diào)以一般受眾能理解和可使用的方式來解釋你的調(diào)查結(jié)果是多么重要。
例如，你的調(diào)查結(jié)果可能與機構(gòu)內(nèi)的一系列不同的部門(從營銷，運營到產(chǎn)品開發(fā))都相關(guān)。其中每個成員都將成為各自工作領(lǐng)域的專家，并將從簡明扼要的相關(guān)調(diào)查結(jié)果的總結(jié)中受益。
與實際結(jié)果一樣重要的是知道調(diào)查結(jié)果的局限性。確保你的受眾了解工作流程中的任何關(guān)鍵假設(shè)、缺失數(shù)據(jù)或不確定程度。
老生常談的“一張圖片勝過千言萬語”在數(shù)據(jù)科學中尤其如此。因此，數(shù)據(jù)可視化工具非常重要。
應用軟件例如Tableau、程序庫ggplot2 for R和D3.js等都是有效表達復雜數(shù)據(jù)的好方法，與任何技術(shù)概念一樣值得掌握。
適當了解圖形設(shè)計原則將大大有助于讓你的圖表看起來更加專業(yè)和出彩。
寫作一定要清晰。生物進化已經(jīng)將我們塑造成充滿潛意識偏見的和易受影響的生物，我們固有地傾向于相信更好的展示和寫得好的資料。
有時，理解概念的***方式是互動—因此學習一些前端網(wǎng)絡(luò)技術(shù)來制作觀眾可以玩的交互可視化特效是值得的。我們沒有必要重新造輪子，像D3.js和R's Shiny這樣的庫和工具可使任務(wù)變得更加容易。
相關(guān)報道：
https://medium.freecodecamp.org/how-to-develop-your-data-instincts-95d4d7fad9ba
【本文是51CTO專欄機構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】
